LakeQA: نمره ۱۸.۳۷ درصدی GPT-5.2 در بنچمارک دادههای کلان
بنچمارک LakeQA با حجم ۹.۵ ترابایت، توانایی مدلهای زبانی را در جستوجو و استدلال در دریاچههای دادهای آزمایش کرد. نتایج نشان میدهد مدلهای پیشرو در کشف خودکار دادهها شکست…
۲ دقیقه خواندن
موضوع
عاملمحور
Autonomous agents, tool use, planning, multi-step workflows
۳٬۵۶۸ مقاله منتشر شده
چرا سامانههای نظارتی هوش مصنوعی در برابر حملات همبستگی زمانی کور میشوند؟
پژوهش جدیدی نشان میدهد عاملهای هوش مصنوعی میتوانند با پنهان کردن مقاصد مخرب در همبستگیهای زمانی، سیستمهای نظارتی گامبهگام را دور بزنند. در حالی که مانیتورهای توزیعی شکست…
۲ دقیقه خواندن
EinsteinArena و ارتقای کران پایین مسئله kissing number از ۵۹۳ به ۶۰۴
عاملهای هوش مصنوعی در پلتفرم EinsteinArena با بهرهگیری از یک اکوسیستم پژوهشی مشترک، ۱۲ نتیجه ریاضی جدید در سطح SOTA به دست آوردند. برجستهترین دستاورد این همکاری، ارتقای کران…
۱ دقیقه خواندن
چرا زبان دیگر معیار اصلی درک قصد کاربر توسط رباتها نیست؟
پژوهشگران چارچوب EDITH را معرفی کردند که با تلفیق نگاه کاربر، نمای اولشخص و گفتار، تعامل انسان و ربات را بهینهتر میکند. این سیستم با تبدیل سیگنالهای نویزی به زیر-وظایف، نیاز…
۲ دقیقه خواندن
چرا عاملهای ناظر در بحثهای هوش مصنوعی در شناسایی خطاهای خود شکست میخورند؟
تحقیقات جدید نشان میدهد در سیستمهای بحث میان عاملها، «ناظران» بسیار ضعیفتر از «سازندگان» در شناسایی شکستهای استدلالی خود هستند. این شکاف ثابت میکند که سیگنالهای اعتماد…
۱ دقیقه خواندن
نقطه کور داوران LLM: ۸۰٪ از نقصهای عاملهای چندمرحلهای نادیده گرفته میشوند
یک تحلیل فنی نشان میدهد که سیستمهای داوری خودکار (LLM-as-judge) در شناسایی خطاهای سیستمی و ردیابی وضعیت در گفتگوهای چندمرحلهای ناتوان هستند. این نقص باعث میشود میزان خطاهای…
۲ دقیقه خواندن
چرا تخصص انسانی دیگر سد دفاعی موثری در برابر تهدیدات زیستی نیست؟
بنچمارک ABC-Bench نشان میدهد که عاملهای هوش مصنوعی اکنون در وظایف حساس امنیت زیستی از عملکرد میانگین متخصصان انسانی پیشی گرفتهاند. این تحول شامل اتوماسیون رباتهای آزمایشگاهی و…
۱ دقیقه خواندن
تخمین ارزش پاسهای فوتبال با استفاده از مدلهای رانندگی خودکار
پژوهشگران چارچوبی به نام MCPS طراحی کردهاند که با شبیهسازی هزاران سناریوی جایگزین، ارزش واقعی هر پاس را میسنجد. این سیستم با بهرهگیری از مدلهای پیشبینی مسیر رانندگی خودکار،…
۱ دقیقه خواندن
چرا عاملهای هوش مصنوعی در اتوماسیون اداری هنوز با سقف ۶۸.۸٪ متوقف شدهاند؟
مدلهای پیشرو در آزمون استاندارد NCRE نتوانستند به سطح مهارت انسانی در اتوماسیون اسناد اداری برسند. حتی سیستمهای عاملمحور با قابلیت اصلاح خطای تکرارشونده، با فاصله بسیاری از نرخ…
۱ دقیقه خواندن
عبور از گلوگاه محدودیتهای MDP با رمزگشایی امتیاز بلمن-تیلور
پژوهشگران چارچوبی جدید برای مدیریت محدودیتهای عملیاتی در یادگیری تقویتشده عمیق معرفی کردهاند. این روش با انتقال یادگیری به یک فضای امتیاز پنهان، امکان بهینهسازی سیستمهای…
۱ دقیقه خواندن
چرا تسلط مدلهای پیشرو بر زبانهای برنامهنویسی ناشناخته حاصل ابزارسازی است؟
مدلهای پیشرو مانند Claude Opus 4.6 به جای کدنویسی مستقیم در زبانهای برنامهنویسی پیچیده و ناشناخته، ابتدا یک «تولیدکننده کد» با پایتون میسازند. این استراتژی متاپروگرمینگی به…
۲ دقیقه خواندن۱
چگونه Moonshine با انتقال ساختاری، حدس ژاکوبین عصبی را برای N=n+1 اثبات کرد؟
عامل پژوهشی Moonshine با ترکیب GPT-5.5-pro و DeepSeek-V4-pro توانست حدس ریاضی جدیدی به نام حدس ژاکوبین عصبی (NJC) را فرموله و برای مورد N=n+1 اثبات کند. این دستاورد نشاندهنده…
۱ دقیقه خواندن